یادگیری ماشین نشان می‌دهد پروبیوتیک‌های زنده و غیرفعال‌شده با حرارت چگونه بر پاسخ ایمنی اثر می‌گذارند

در یک مطالعه اثبات مفهوم جدید، باکتری‌های پروبیوتیک زنده پاسخ‌های ایمنی به‌مراتب قوی‌تری نسبت به نمونه‌های غیرفعال‌شده با حرارت برانگیختند؛ اما نتیجه غیرمنتظره پژوهش این بود که نمونه‌های غیرفعال‌شده، نه نمونه‌های زنده، منظم‌ترین منحنی‌های وابستگی به دوز را ایجاد کردند. این پژوهش که محققان شرکت Probiotical Research در شهر نووارا ایتالیا انجام داده‌اند و نتایج آن در مجله Frontiers in Microbiology منتشر شده است، سه فرض رایج در علم پروبیوتیک‌ها را به چالش می‌کشد: اینکه محصولات پروبیوتیکی برای اثرگذاری باید دست‌کم یک میلیارد واحد تشکیل‌دهنده کلنی داشته باشند، استقرار باکتری‌ها در روده ضروری است و باکتری‌های زنده همواره از نمونه‌های تیمارشده با حرارت مؤثرترند. هدف پژوهشگران، بررسی این موضوع نبود که آیا هر نوع پروبیوتیک فایده‌ای برای سلامتی دارد یا خیر؛ آن‌ها چارچوبی روش‌شناختی طراحی کردند تا مشخص شود آیا می‌توان رابطه میان دوز و پاسخ ایمنی را به‌طور قابل‌اعتماد اندازه‌گیری کرد و آیا نمونه‌های زنده و غیرفعال‌شده از یک سویه واحد، در غلظت‌های دقیقاً برابر، رفتار متفاوتی دارند.

این آزمایش با طراحی عاملی کامل انجام شد. پژوهشگران ۱۰ سویه پروبیوتیک گرم‌مثبت را که با حروف A تا L کدگذاری شده بودند، در دو شکل زنده و تیمارشده با حرارت و در سه غلظت بررسی کردند: ۱۰۰ هزار، یک میلیون و ۱۰ میلیون سلول در هر چاهک آزمایش. این نمونه‌ها در معرض سلول‌های تک‌هسته‌ای خون محیطی انسان (PBMC) متعلق به یک اهداکننده سالم ۵۸ ساله قرار گرفتند. هر وضعیت آزمایشی در سه تکرار فنی بررسی شد و در مجموع ۱۸۰ مشاهده مربوط به تیمار به دست آمد. سپس مایع رویی کشت‌ها با استفاده از آرایه تعلیقی چندگانه از نظر ۱۷ سیتوکین ارزیابی شد. نکته مهم این بود که پژوهشگران شمارش متداول واحدهای تشکیل‌دهنده کلنی را کنار گذاشتند و به‌جای آن، شمارش با فلوسایتومتری را مطابق استاندارد ISO 19344:2015 به کار گرفتند. آن‌ها با رنگ‌آمیزی دوگانه تیا‌زول اورنج و پروپیدیوم یدید، باکتری‌های زنده را بر حسب واحدهای فلورسنت فعال (AFU) و باکتری‌های تیمارشده با حرارت را بر حسب واحدهای فلورسنت کل (TFU) اندازه‌گیری کردند. این روش امکان مقایسه هر دو نوع نمونه را با واحد فیزیکی یکسان، یعنی تعداد سلول در هر چاهک، فراهم کرد؛ بدون آنکه توانایی باکتری‌ها برای تشکیل کلنی روی محیط کشت ملاک قرار گیرد.

تأثیر زنده‌بودن باکتری‌ها بسیار چشمگیر بود. در ۱۶ مورد از ۱۷ سیتوکین اندازه‌گیری‌شده، نمونه‌های زنده پاسخ‌هایی به‌مراتب قوی‌تر از نمونه‌های غیرفعال‌شده ایجاد کردند. بیشترین اختلاف مربوط به فاکتور نکروز تومور آلفا (TNF-α) بود؛ میزان پاسخ به این سیتوکین در نمونه‌های زنده، بر اساس میانگین هندسی نسبت تغییرات، ۳۱۰٫۸ برابر نمونه‌های تیمارشده با حرارت بود. بااین‌حال، فاصله اطمینان ۹۵ درصد این برآورد از ۳۶٫۴ تا ۲۶۵۳ گسترده بود، زیرا در بسیاری از شرایط مربوط به نمونه‌های زنده، مقدار این ماده از حد بالای قابل‌اندازه‌گیری آزمون فراتر رفت. پس از آن، پروتئین التهابی ماکروفاژ ۱ بتا (MIP-1β) با اختلاف ۶۹٫۴ برابری، اینترلوکین 8 (IL-8) با اختلاف ۲۵٫۸ برابری، فاکتور محرک کلونی گرانولوسیت‌ها (G-CSF) با اختلاف ۱۵٫۵ برابری و اینترلوکین ۱ بتا (IL-1β) با اختلاف ۱۳٫۳ برابری قرار داشتند. این الگو حاکی از تقویت گسترده پیام‌رسانی ایمنی ذاتی بود، نه فعال‌شدن انتخابی یک مسیر خاص؛ به‌ویژه آنکه سیتوکین‌های پیش‌التهابی بیش از سایر گروه‌ها تحت تأثیر قرار گرفتند. پاسخ‌های ایمنی اکتسابی نیز تغییر کردند: مقادیر اینترفرون گاما (IFN-γ)، اینترلوکین 2 (IL-2) و اینترلوکین ۱۲p70 حدود سه تا چهار برابر افزایش یافت که با فعال‌شدن پاسخ سلول‌های T کمکی نوع یک (Th1) سازگار است. هم‌زمان، اینترلوکین‌های ۴، ۵ و ۱۳ نیز افزایش یافتند؛ یافته‌ای که از فعال‌شدن موازی پاسخ Th2 حکایت داشت، نه سوق‌یافتن پاسخ ایمنی به یک جهت واحد.

یک سیتوکین از این الگو پیروی نکرد. MCP-1، ماده‌ای که مونوسیت‌ها را به محل جذب می‌کند، در تحلیل آماری زوجی تفاوت معناداری میان نمونه‌های زنده و غیرفعال‌شده نشان نداد. نسبت میانگین هندسی آن ۰٫۹۹ بود و فاصله اطمینان از ۰٫۸۹ تا ۱٫۱۲ تغییر می‌کرد؛ بنابراین، برآورد آماری نشان می‌داد اختلاف در هر جهت حدود ۱۱ درصد یا بیشتر نیست. پژوهشگران ثابت‌ماندن این پاسخ را در هر ۱۰ سویه و هر سه غلظت، نوعی کنترل روش‌شناختی درونی تفسیر کردند. MCP-1 می‌تواند در واکنش به اجزای ساختاری باکتری، مانند پپتیدوگلیکان و اسید لیپوتئی‌کوئیک، ترشح شود؛ حتی اگر باکتری‌ها از نظر متابولیکی فعال نباشند. ازاین‌رو، ثبات ترشح این سیتوکین نشان می‌دهد که هر دو نوع نمونه احتمالاً مقدار قابل‌مقایسه‌ای از مواد ساختاری باکتریایی را در اختیار سلول‌ها قرار داده‌اند. بااین‌حال، پژوهشگران تأکید کردند که ثابت‌ماندن یک سیتوکین به‌تنهایی نمی‌تواند عوامل مخدوش‌کننده‌ای مانند میزان اندوتوکسین یا لیز سلول‌های میزبان را رد کند؛ این عوامل در مطالعه اندازه‌گیری نشده بودند.

یکی از مهم‌ترین یافته‌های روش‌شناختی پژوهش به شکل منحنی وابستگی به دوز مربوط می‌شد. نمونه‌های تیمارشده با حرارت برای ۱۳ مورد از ۱۷ سیتوکین، همبستگی قوی‌تری میان غلظت و پاسخ نشان دادند؛ به‌طوری‌که میانگین همبستگی اسپیرمن درون هر سویه برای IL-4 به ۱٫۰۰ و برای MIP-1β و G-CSF به ۰٫۹۷ رسید. پژوهشگران این تفاوت را به یک متغیر پنهان نسبت دادند: باکتری‌های زنده طی دوره هم‌کشت ۲۴ ساعته در محیط غنی از مواد مغذی تکثیر می‌شوند. حتی کمترین مقدار اولیه باکتری ممکن است پیش از پایان آزمایش به میزان قابل‌توجهی افزایش یافته باشد و در نتیجه، اختلاف واقعی میان سه سطح اسمی دوز کاهش پیدا کند. برآوردی محافظه‌کارانه، با فرض یک بار دو برابرشدن جمعیت باکتریایی در هر ۶۰ تا ۹۰ دقیقه، نشان می‌دهد که بالاترین مقدار اولیه ممکن است ۱۶ تا ۲۵۶ برابر شده باشد. ازآنجاکه شمارش نهایی باکتری‌ها در پایان آزمایش انجام نشد ــ اقدامی که در مطالعات منتشرشده درباره هم‌کشت پروبیوتیک‌ها نیز به‌ندرت صورت می‌گیرد ــ این توضیح همچنان یک فرضیه است. بااین‌حال، این احتمال را مطرح می‌کند که مقایسه باکتری‌های زنده در دوزهای ظاهراً متفاوت، لزوماً به معنای مقایسه غلظت‌هایی با اختلاف واقعی ۱۰۰ برابری نباشد.

افزایش دوز نیز در همه موارد به افزایش فعالیت ایمنی منجر نشد. در شش مورد از ۱۰ سویه زنده، خروجی سیتوکین‌ها با افزایش غلظت به‌طور پیوسته بیشتر شد؛ اما دو سویه الگویی زنگوله‌ای نشان دادند: پاسخ در غلظت یک میلیون سلول در هر چاهک به اوج رسید و سپس در غلظت ۱۰ میلیون سلول به‌طور محسوسی کاهش یافت. در یکی از این سویه‌ها، مقدار G-CSF در بالاترین دوز نسبت به نقطه اوج ۸۳ درصد و مقدار IL-6 به میزان ۲۵ درصد افت کرد. در سویه دیگر، کاهش این دو پاسخ به‌ترتیب ۳۶ و ۵۰ درصد بود. نویسندگان چند سازوکار احتمالی را مطرح کردند که می‌توانند هم‌زمان نقش داشته باشند: بازخورد خودترشحی وابسته به IL-10 که پیام‌رسانی NF-κB را مهار می‌کند، کاهش حساسیت گیرنده‌ها در اثر تحریک مداوم با تراکم بالا، سمیت سلولی برای سلول‌های میزبان در تراکم بالای باکتری و اسیدی‌شدن محیط کشت به‌وسیله باکتری‌های دارای فعالیت متابولیکی. ازآنجاکه زنده‌مانی سلول‌های میزبان، سمیت سلولی و pH اندازه‌گیری نشده بودند، مطالعه امکان تشخیص قطعی میان این توضیحات را فراهم نمی‌کند. بنابراین، منحنی‌های زنگوله‌ای صرفاً به‌عنوان شکل‌های مشاهده‌شده پاسخ به دوز گزارش شده‌اند، نه پدیده‌هایی تنظیمی که سازوکارشان اثبات شده باشد.

پژوهشگران برای کاربردی‌کردن مقایسه نمونه‌های زنده و غیرفعال‌شده، شاخصی با عنوان «دوز معادل عملکردی» (FED70) معرفی کردند. این شاخص کمترین غلظت نمونه تیمارشده با حرارت را مشخص می‌کند که در آن، فعالیت ایمنی دست‌کم به ۷۰ درصد فعالیت نمونه زنده متناظر در دوز مرجع یک میلیون سلول می‌رسد. انتخاب آستانه ۷۰ درصد با توجه به تغییرپذیری معمول ۲۰ تا ۳۵ درصدی آزمون‌های PBMC انجام شده و از دامنه ۸۰ تا ۱۲۵ درصدی هم‌ارزی زیستی در فارماکولوژی نظارتی اقتباس شده است. از میان ۱۴۰ ترکیب قابل‌ارزیابیِ سویه و سیتوکین، نمونه‌های تیمارشده با حرارت در ۸۰ مورد، معادل ۵۷٫۱ درصد، در بالاترین غلظت آزمایش‌شده به این معیار هم‌ارزی رسیدند. در برخی سویه‌ها، میزان پاسخ دو نوع نمونه به‌شدت به یکدیگر نزدیک شد؛ برای مثال، پاسخ IL-6 یک نمونه غیرفعال‌شده با حرارت به ۲۶۶ درصد پاسخ نمونه زنده متناظر در دوز مرجع رسید. در مقابل، یک سویه در شکل تیمارشده با حرارت و در تمام غلظت‌ها فعالیت به‌مراتب ضعیف‌تری نشان داد. نویسندگان یادآور شدند که در تفسیر این نتیجه باید یک محدودیت را در نظر گرفت: هیچ محرک کنترل مثبت در آزمایش به کار نرفت تا توانایی عملکردی سلول‌های PBMC در روز انجام آزمایش به‌طور رسمی تأیید شود.

تحلیل یادگیری ماشین لایه‌ای از اطلاعات را آشکار کرد که از تحلیل تک‌متغیره به دست نمی‌آمد. خوشه‌بندی سلسله‌مراتبی بدون نظارت، بر اساس الگوهای سیتوکینی هر سویه، سه خوشه با فنوتیپ ایمنی متفاوت شناسایی کرد: یک جفت سویه که پاسخ‌های پیش‌التهابی گسترده و پرشدتی ایجاد می‌کردند؛ گروه بزرگ‌تری با پاسخ‌هایی متوسط و از نظر پویایی متنوع؛ و یک جفت سویه که در حالت زنده پاسخ‌هایی با شدت کم داشتند. یک طبقه‌بند جنگل تصادفی (Random Forest) توانست این دسته‌بندی استخراج‌شده از داده‌ها را با میزان انطباق ۸۳٫۳ درصد بازتولید کند، درحالی‌که احتمال دسته‌بندی تصادفی درست ۳۳٫۳ درصد بود. بااین‌حال، نویسندگان تأکید کردند که این رقم توانایی بازتولید الگوی درونی داده‌ها را می‌سنجد، نه قابلیت تعمیم به داده‌های مستقل؛ زیرا خوشه‌ها نیز با استفاده از همان داده‌ها ساخته شده بودند. در اعتبارسنجی متقاطع سخت‌گیرانه‌تر، که در هر مرحله یک سویه به‌طور کامل کنار گذاشته می‌شد، دقت به ۶۶٫۷ درصد کاهش یافت؛ بااین‌حال، این مقدار همچنان دو برابر سطح شانس بود. نکته جالب‌تر، رتبه‌بندی اهمیت ویژگی‌ها بود: IL-12p70، IL-13 و IFN-γ، نه سیتوکین‌های دارای پاسخ پرشدت مانند IL-6 یا IL-1β، مهم‌ترین شاخص‌های تمایز میان سویه‌ها بودند. IL-13 با وجود آنکه اثر زنده‌بودن باکتری بر آن دومین مقدار کوچک در میان سیتوکین‌های بررسی‌شده بود، در رتبه دوم اهمیت قرار گرفت. این نتیجه نشان می‌دهد یک سیتوکین می‌تواند نسبت به زنده‌بودن باکتری حساسیت کمی داشته باشد، اما همچنان برای شناسایی تفاوت میان سویه‌ها اطلاعات مهمی فراهم کند؛ دقیقاً همان نوع تمایزی که تحلیل چندگانه مبتنی بر یادگیری ماشین می‌تواند آشکار سازد.

نویسندگان صریحاً تأکید می‌کنند که تمام یافته‌ها بر داده‌های یک اهداکننده استوارند و باید در حد فرضیه‌سازی تفسیر شوند. تمام مقادیر احتمال آماری یا p-valueها صرفاً توصیفی و محدود به همین شرایط آزمایشی‌اند؛ سه خوشه فنوتیپی نیز بازتاب‌دهنده تنها یک زمینه ایمنی هستند. پیش از آنکه آستانه‌های FED70 و دقت طبقه‌بندی برای نتیجه‌گیری درباره جمعیت‌های انسانی یا کاربردهای نظارتی استفاده شوند، باید اعتبار آن‌ها دست‌کم در پنج اهداکننده با جنسیت، سن و زمینه ژنتیکی متنوع بررسی شود. مطالعات پیشین نشان می‌دهند که رتبه‌بندی نسبی سویه‌ها در اهداکنندگان مختلف معمولاً حفظ می‌شود، هرچند مقادیر مطلق پاسخ‌ها تفاوت دارند. بااین‌حال، پژوهشگران به محدودیت‌های دیگری نیز اذعان دارند: نبود کنترل مثبت، فقدان اندازه‌گیری‌های مربوط به زنده‌مانی سلول‌های میزبان، وجود مقادیر زیادی خارج از محدوده اندازه‌گیری که برای تحلیل به برآورد جایگزین نیاز داشتند، و محدودبودن دامنه دوز به سه نقطه که مانع برازش رسمی منحنی‌های فارماکولوژیک می‌شود. با وجود این محدودیت‌ها، مطالعه چارچوبی محاسباتی و بازتولیدپذیر ارائه می‌دهد که فلوسایتومتری استانداردشده، تعیین فنوتیپ ایمنی با سنجش چندگانه و طبقه‌بندی مبتنی بر یادگیری ماشین را ترکیب می‌کند. این چارچوب می‌تواند مبنایی برای تعیین دوز بر اساس شواهد و ارزیابی هم‌ارزی فرآورده‌های پست‌بیوتیک باشد؛ مشروط بر آنکه مطالعات آینده با مشارکت چند اهداکننده و در نهایت پژوهش‌های درون‌تنی تأیید کنند که این الگوهای آزمایشگاهی واقعاً توان پیش‌بینی پیامدهای بالینی معنادار را دارند.

موضوع پژوهش: تعیین فنوتیپ ایمنی وابسته به دوز در سویه‌های پروبیوتیک گرم‌مثبت زنده و تیمارشده با حرارت، با استفاده از سلول‌های تک‌هسته‌ای خون محیطی انسان.

عنوان مقاله پژوهشی: فراتر از یک میلیارد: تعیین فنوتیپ ایمنی وابسته به دوز و طبقه‌بندی با یادگیری ماشین در سویه‌های پروبیوتیک گرم‌مثبت زنده و تیمارشده با حرارت، با استفاده از سلول‌های تک‌هسته‌ای خون محیطی انسان؛ مطالعه اثبات مفهوم با یک اهداکننده.

منبع علمی: Deusebio, G., Visciglia, A., Amoruso, A., & Pane, M. (2026). Beyond the billion: dose-response immunophenotyping and machine learning classification of live vs. heat-treated gram-positive probiotic strains in human peripheral blood mononuclear cells—a single-donor proof-of-concept study. Frontiers in Microbiology, 17، مقاله 1943891. https://doi.org/10.3389/fmicb.2026.1943891

اعتبار تصویر: تولیدشده با هوش مصنوعی.

شناسه دیجیتال مقاله (DOI): 10.3389/fmicb.2026.1943891

کلیدواژه‌ها: پروبیوتیک‌ها، پست‌بیوتیک‌ها، سلول‌های تک‌هسته‌ای خون محیطی (PBMC)، سیتوکین‌ها، پاسخ وابسته به دوز، فلوسایتومتری، یادگیری ماشین، باکتری‌های تیمارشده با حرارت، تعدیل پاسخ ایمنی، TNF-α، جنگل تصادفی، Frontiers in Microbiology.

منبع خبر: ترزا اودوم، ۲۶ اکتبر ۲۰۲۶، «یادگیری ماشین نشان می‌دهد پروبیوتیک‌های زنده و غیرفعال‌شده با حرارت چگونه بر پاسخ ایمنی اثر می‌گذارند»، Scienmag.